- 確認 precise universe 的套件部份加入 /etc/apt/sources.list 中
- 安裝 tesseract-ocr 套件
- 安裝 imagemagick 套件 (執行 convert指令將用上)
- 下載 tesseract 的繁/簡中OCR資料檔案，並解壓縮在 tessdata 目錄下
/etc/apt/sources.list 中加入下列兩行：
deb http://tw.archive.ubuntu.com/ubuntu precise universe
deb-src http://tw.archive.ubuntu.com/ubuntu precise universe
- 或是透過 add-apt-repository
- > sudo add-apt-repository "deb http://tw.archive.ubuntu.com/ubuntu precise universe"
- 利用 convert 將 PDF 或 PNG 等檔案，轉換成 depth:8 , type:Grayscale 半色調的 TIFF檔
- 執行 tesseract 進行 OCR 辨識。進行繁中OCR辨識，結果輸出至out.txt
> sudo apt-get update
> sudo apt-get install tesseract-ocr
> sudo apt-get install imagemagick
> cd /usr/share/tesseract-ocr/tessdata
> sudo wget http://tesseract-ocr.googlecode.com/files/chi_tra.traineddata.gz
> sudo wget http://tesseract-ocr.googlecode.com/files/chi_sim.traineddata.gz
> sudo gzip -f -d *.gz
- > cd /tmp
- ** PNG => TIFF ==(OCR)==> TEXT
- > convert source.png -type Grayscale -depth 8 out.tif
- > tesseract out.tif out.txt -l chi_tra
- 或是
- ** PDF => TIFF ==(OCR)==> TEXT
- > convert -density 300 source.pdf -type Grayscale -depth 8 out.tif
- > tesseract out.tif out.txt -l chi_tra
- 或是
- ** PDF => PPMs => TIFFs ==(OCR)==> TEXTs => TEXT
- > pdftoppm source.pdf -f 1 -l 10 -r 600 out
- > for i in *.ppm; do convert $i -type Grayscale -depth 8 ${i%.*}.tif; done
- > for i in *.tif; do tesseract $i ${i%.*}.txt -l chi_tra; done
- > cat *.txt > out.txt
補充：
- convert 將 PDF 轉為 TIFF 時會耗費較多時間
- tesseract 之參數 -l chi_tra (繁中辨識) , -l chi_sim (簡中辨識), -l eng (英文辨識;預設)
- 結合 Hadoop Map Reduce 有很多影像應用服務可以玩了~
###
